آمار و آماری

با استفاده از آمار حياتي و اپيدميولوژيكي مي توانيم در مورد بيماريها به بهترين شواهد برسيم

آمار حیاتی یا زیست سنجی یک نوع از امار کاربردی است که دارای دامنه تغییرات وسیعی در زیست شناسی است

که این نوع خاص کاربرد چشمگیری در پزشکی و همچنین در کشاورزی دارد

در این واژه نامه سعی کردم که با جستجو در مورد اشکال خاص اماری حداقل شناختی حتی در مورد تصویر انها داشته باشیم شاید روزی با ترجمه متن انها ویژگی های این تصاویر را براتون گذاشتم

ادامه مطلب

شروع کار با Minitab

برای باز کردن Minitab به صورت زير عمل کنيد: Start>Programs>Minitab 14>Minitab 14

Minitab دارای چندین پنجره است اما هميشه با دو پنجره اصلی قابل مشاهده (شکل يک) باز می شود:

* پنجره Session که نتايج آناليزها را به صورت Text بيان می کند، همچنين در اين پنجره می توانيد به جای استفاده از منوهای Minitab دستورات را به صورت خط فرمان تايپ کنيد.

* پنجره Data که دارای يک کاربرگ باز می باشد، که خيلی شبيه برنامه های صفحه گسترده نظير Excel می باشد. شما می توانيد به طور همزمان چندين کاربرگ را باز کنيد.

پنجره Data از سطرها و ستون هايی تشکيل شده است که محل برخورد هر سطر و ستون را سل (cell) می نامند و کل سل ها يک کاربرگ (worksheet) را تشکيل می دهند.

ستون ها با حروف C1, C2 و ... و سطرها با 1،2 و... مشخص شده اند. سل فعال با پررنگ شدن نسبت به سل های ديگر مشخص می شود (مانند سل 1و C2 در شکل یک)، هر سل را با کليک کردن روی آن می توان فعال کرد. يک کاربرگ دارای 1000 ستون و سطرهای زيادی (بسته به حافظه در دسترس کامپيوتر) است ولی مجموع سل های دارای داده ، بايستی کمتر از 3500 باشد.

گوشه بالای سمت چپ کاربرگ مربوط به پيکان ورود داده هاست. بدين معنی که اگر حالت افق باشد () پس از هر بار فشار دادن Enter سل فعال به سمت راست حرکت می کند و اگر حالت عمودی باشد () پس از هر بار فشار دادن Enter سل فعال به سمت پايین حرکت می کند. از اين پنجره برای ورود داده ها استفاده می شود. و مزيت آن اين است که داده ها در هر لحظه قابل ويرايش هستند و حرکت بين سل ها به راحتی صورت می گيرد.

ادامه مطلب

تاریخچه
در سال 1897 ویلفرد پارتو ''اقتصاددان ایتالیای1848-1923 فرمولی ارائه کرد که نشان می داد توزیع درآمد ناهموار است . او درآمد فردی را روی محور افقی و جمعیت رابر روی محور عمودی نشان داد و دریافت که تعداد اندکی از مردم دارای درآمد زیاد و اکثرافراد جامعه دارای درآمد اندکی هستند، نمودار زیر بیانگر این فرمول است .

براساس اصلی که وی در اقتصاد اجتماعی بیان کرد، حدود 80 درصد نتایج از20درصد علل ناشی می شود. به عبارت دیگر اگرچه برای مسائل موجود، علل بسیار زیادی وجود دارد ولی تعداد کمی حائز اهمیت است . آن چه پارتو روی این نکته توجه کرد، که اگر شما یک ، دو یا سه عامل اصلی را درنظر بگیرید درباره اکثریت عاملها فکر کرده اید،بدین طریق نمودار پارتو در سا1897 به وجود آمد، یک تئوری مشابه به صورت نموداری توسط لورنز ''اقتصاددان آمریکایی '' در سال 1907 ارائه شد. هردو محقق اشاره داشتند که بیشترین سهم درآمد یا ثروت توسط افراد بسیار کمی از مردم نگهداری می شود، بعدها در زمینه کیفیت دکتر ژوزف جوران در سال1954 روش نموداری لورنز رابه عنوان فرمولی برای تقسیم بندی مسائل کیفی به مشکلات اساسی معدود و مشکلات جزیی بسیار به کار گرفت و این روش را تجزیه و تحلیل پارتو نامید

کاربرد نمودار پارتو...

چگونگی رسم نمودار پارتو:....

نکاتی در مورد نمودار پارتو:

چگونگی استفاده از نمودار پارتو:

ادامه مطلب

چكيده
آيا تا به حال علتهاي مختلف به وجود آمدن يك مشكل را بررسي كرده ايد؟ آيا عوامل مختلفي را مي شناسيد كه در به وجود آمدن اين مشكل دخيل بوده اند؟ آيا تا به حال اين علتها را دسته بندي كرده ايد؟ يا تاكنون نموداري براي آنها رسم كرده ايد؟ زماني كه يك عيب، اشكال و يا اشتباه شناسايي مي شود، بايد علل بالقوه و بالفعل آنها تعيين گردد، در مواقعي كه علل بروز مشكل واضح نيست نمودار علت و معلول (CAUSE AND EFFECT DIAGRAM) مي تواند ابزارمفيدي براي شناسايي اين علل باشد. در اين مقاله به طور مختصر به معرفي يكي از ابزارهاي هفتگانه عالي (1) (كنترل كيفيت آماري) به نام نمودار علت و معلول مي پردازيم و درباره تاريخچه، چگونگي رسم، كاربرد، ارتباط آن با نمودار پارتو و آناليز تاثير راه حل كه درواقع معكوس شــــــده نمودار علت و معلول است، بحث مي كنيم.

مقدمه
در تعريف كنترل فرايند آماري (STATISTICAL PROCESS CONTROL=SPC) آورده اند كه مجموعه اي قدرتمند از ابزار حل مشكل است كه در ايجاد ثبات در فرايند توليد و بهبود كارايي آن ازطريق كاهش تغييرپذيري واقع مي گردد، كنترل فرايند آماري را مي توان براي هرگونه فرايندي مورداستفاده قرار داد. ازجمله ابزارهاي كنترل فرايند آماري نمودار علت و معلول است. اين نمودار را نمي توان يك روش آماري درنظر گرفت. اين نمودار كمك مي كند كه تعيين كنيم براي دست يافتن به هدف چه بايد كرد و عوامل مربوطه كدام هستند. بخصوص اگر اين مطلب را درنظر داشته باشيم كه براي عموم مردم فكر كردن با نمودار ساده تر از آن است كه به ذهن خود متكي باشيم، از اين نمودار همچنين مي توان به عنوان ابزاري در بحث و گفتگو استفاده كرد، اين نمودار براي استفاده جهت حل مشكلات عيني و واقعي به كار مي رود و از آن مي توان براي نشان دادن نحوه كنترل، تشريح دقيق حقايق، كنترل فرايندو يافتن علتها و معلولها سود جست.

تاريخچه
اولين نمودار علت و معلول به وسيله پرفسور «كاآروايشي كاوا» از دانشگاه توكيو هنگام تدريس چگونگي تجزيه عوامل مختلف و ارتباط آنها با يكديگر به مهندسان كارخانه كاوازاكي در تابستان 1943 با طرح و شكلي كه شبيه يك ماهي بود ساخته شد. نمودار علت و معلول از زمره روشهايي است كه از ژاپن سرچشمه گرفته و براي بهبود كيفيت به كار رفته است. اين نمودار بعداً به كشورهاي ديگر نيز برده شــده است و گاهي آن را نمودار «ايشي كــــاوا» يا نمودار استخوان ماهي (FISH BONE) نيز مي گويند. چرا كه اين نمودار اولين بار توسط پرفسور <«ايشي كاوا>» مطرح گرديد و ازطرفي ديگر شكل آن شبيه استخوان اسكلت ماهي است كه مشكل، عيب يا معلول در سر آن قرار گرفته است. سپس اين نمودار به وسيله دكتر «ادوارد دمينگ» به عنوان ابزاري سودمند براي بهبود كيفيت به كار برده شد. او مديريت كيفيت فراگير را پس از جنگ جهاني دوم در ژاپن آموزش داد و «ايشي كاوا» و «دمينگ» از اين نمودار به عنوان اولين ابزارها در فرايند مديريت كيفيت استفاده كردند.

رسم نمودار علت و معلول
نمودار علت و معلول ارتباط بين ويژگي كيفي و عوامل و فاكتورهاي مرتبط به آن را نشان مي دهد. رسم آن كار چندان ساده اي نيست و حتي با اطمينان مي توان گفت كه موفقيت درحل يك مسئله كنترل كيفيت، موفقيت در ساختن يك نمودار علت و معلول است. ساختار كلي اين نمودار به شرح زير است. (شكل 1)

مراحل رسم يك نمودار علت و معلول:....

ادامه مطلب

اين ابزار شامل هفت ابزار پايه اي خواهند بود كه در قالب دو نمودار زير ميگنجند:

1-ابزار كمي 2- ابزاركيفي

هيستوگرام چيست؟- هيستوگرام نموداري ميله اي است كه غالباً براي تحليل فركانس داده هاي موجود به كار ميرود

هيستوگرام چگونه كار ميكند؟دسته هاي مشخص براي داده هاي موجود تعيين ميكندو داده ها را دسته بندي كرده و در قالب سرفصلهاي مذكور قرار ميدهد و آنها را براي هر سرفصل مشخص محاسبه ميكند سپس دياگرام مربوطه رسم ميگردد در اين نمودار گروههاي مختلف داده ها بر روي محور xها قرار ميگيرند و ارتفاع ستونها نشان دهنده سطح ارزش هر دسته ميباشند

موارد استفاده هيستوگرام چيست؟هيستوگرام ها در واقع روش جديدي براي محاسبه توزيع داده ها در دسته هاي مختلف عددي ايجاد نموده اند

براي مثال نرخ خرابي يك ماشين را در خلال يك دوره چند هفته اي در نظر بگيريد تعداد خرابي ماشينها در هر هفته تفكيك خواهد شد حل اگر هيستوگرام داده ها را رسم نمايم پهناي هر ستون معرف يك هفته و ارتفاع هر ستون معرف تعداد خرابي ها در طول هر هفته خواهد بود

نمودار پارتو چيست؟ پارتو يك هيستوگرام است به اضافه يك همنشيني تجمعي

نمودار پارتو چگونه كار ميكند؟اين نمودار دقيقاً شبيه هيستوگرام عمل ميكندبدين معني كه ابتدا سرفصل ها را تعريف ميكند داده ها را محاسبه و به سرفصل مربوطه تخصيص ميدهد سپس اين دسته ها را به ترتيب در كنار يكديگر چيده و رخداد ها را براي هر دسته ميشمرد. در اين مرحله همه سرفصلها به صورت نزولي مرتب ميشوند و نهايتاً نقاط تجمعي دسته ها را توسط يك خط به يكديگر وصل ميكند

موارد به كار گيري نمودار پارتو چيست؟نمودار پارتو براساس قانون 20-80 به شكلي به كار ميرود كه %80 از مشكلات را به %20 از علل تخصيص داده و كاربر را مستقيماًبه اهداف كيفي مورد نظرش رهنمون ميسازد (يادتون نره كه نمودار مذكور قابليت اجراي عكس را نيز داراست)

براي مثال :يك ماشين مشخص مجموعه متفاوتي از خرابيها را بروز ميدهد مركز تعميرات و نگهداري شركت ،اين نوع خرابي ها را تعيين نموده و تعداد آنها را طي يك پريود 3 ماهه تعيين مينمايد. سپس اين داده ها را با هم جمع ميكند و پس از آن،دسته هاي خرابي را بر اساس بيشترين ارزش به كمترين ارزش در يك رديف افقي قرار ميدهد اكنون هيستوگرامي به وجود آمده است كه ستونهاي آن معرف انواع خرابي ها بوده و از سويديگر ارزشهاي تجمعي آن جهت نشان دادن اولويت بهبود به كار ميرونددر اين مرحله نقاطي را كه نشان دهنده خط تجمعي %80 است تعيين ميكند اكنون ديگر تمركز بر انواع خرابيهايي كه در قسمت سمت چپ اين خط قرار دارند اهميت ويژه اي خواهند يافت

نمودار علت و معلول(Fish bone):

فيشبون (استخوان ماهي) چيست:يك نمودار نمايشي است كه ارتباط بين علتها را نشان ميدهد و اين علل را به معلولهايشان مرتبط ميسازد از آنجا كه اين نمودار شبيه استخوان ماهي است به نمودار استخوان ماهي معروف شده است

كار ايي نمودار چيست؟

1- تعيين معلول ها و مشكلاتي كه مد نظر شماست 2- دسته بندي دلايل ۳- تعيين زير گروهها

نمودار جريان چيست؟اين نمودار روشي براي تحليل روشها است و از علائم و اصطلاحات ساده استفاده ميكند اين نمودارها فعاليتها،عمليات و تصميمات را در يك فرآيند به همراه ارتباطشان به نمايش ميگذارد

موارد به كار گيري اين نمودار چيست؟

فرآيندي را كه شما ميخواهيد به نمايش ميگذارد اين نمودار از يك نقطه شروع آغاز نموده و سپس مرحله به مرحله و با استفااده از علائمي همچون دايره،مستطيل، لوزي و يا ساير علائم نمايش خود را نشان ميدهد در اين بين پيكانها نيز جهت و جريان حركت فرآيند را به نمايش ميگذارنداين نمودار ها كه از نقطه خاصي شروع ميشوند به وسيله مجموعه اي از علائم اجرا ميشوند و نهايتاًبا نقطه خاصي پاايان ميپذيرند

موارد استفاده اين نمودار ها چيست؟يك نمودار جريان امكان درك يك فرآيند يا برنامه را بهمراه ارتباط بين عناصر آن در ساده ترين شكل ممكن ميسازد

به عنوان مثال:رويه شما براي تعمير يك ماشين از طريق نمودار فوق چنين خواهد بود:

ابتدا يك پيش نويس در مورد رويه تعمير تهيه ميكنيد سپس ماشين را بر اساس آن مرحله به مرحله تعمير مينمائيد اگر تعميرات مناسب نبودمجدداًتعمير انجام ميشود حال اگر ماشين به نحو صحيح كار كرد به مرحله پاياني رسيده ايم

نمودار پراكندگي چيست؟ ابزاري است كه رابطه بين يك علت و يك معلول رابه وضوح مشخص ميكند

اين نمودار چه ميكند: ۱-تعيين دسته هاي عددي ۲-رسم نمودار با نقاط مقداري

۳-رسم خط روندm*x+a

<< محاسبه مقدار m

<<محاسبه مقدارa

<<محاسبه نقاط بر روي خط روند

موارد استفاده از نمودار پراكندگي كدامند:نمايش ارتباط بين مقادير و نشان دادن كاهش يا افزايش ميزان اين ارتباط به وسيله يك نمودار ديداري

نمودارهاي آغازين چه هستند:نمودارهاي آغازين نشان دهنده تغييرات در خلال يك فرآينديا زمان مشخص هستند

اين نمودارها چگونه كار ميكنند:

۱-جمع آوري داده ها ۲-سازمان دهي داده ها

<<اندازه گيري Yها حتماًبايد هم جهت با زمان يا توالي اتفاقات باشد

۳-نمودار داده ها ۴-تفسير داده ها

موارد استفاده اين دسته از نمودارها كجاست؟تعيين اتفاقات چرخه اي و متوسط شاخص هاي آنها

نمودارهاي كنترل چه هستند:ابزاري احتمالي جهت تعيين احتمال بروز اتفاقات است و نيز براي تعيين اينكه يك فرآيند تحت كنترل است يا خير به كار ميرود

اين نمودار چه كاري انجام ميدهد؟حد بالا – حد پايين و مقدار متوسط داده ها را تعيين ميكند

موارد استفاده اين نمودارها كدام اند؟ نمونه گيري از يك فرآيند و تشخيص احتمال خارج از كنترل بودن آن فرآيند

مفهوم كيفيت ريشه در كار متخصصان صنعتي دارد. اهميت كيفيت در سالهاي 1940 و 1950 موردتوجه قرار گرفت. اول در بخش توليد و بعد بر روي بخشهاي خدماتي كاربرد يافت. مبتكر واژه كنترل جامع كيفيت يعني فايگنبام در سال 1951 كيفيت را اين چنين تعريف مي كند. كيفيت يعني توانايي يك محصول در برآوردن هدف موردنظر كه با حداقل هزينه ممكن توليد شده باشد،

مشهورترين رهبران نظريه كيفيت كه تاثير اساسي در صنعت امروز جهان داشته اند،

ادوارد دمينگ، فيليپ كرازبي، جوزف جوران، تاگوچي وايشي كاوا باشند. دمينگ تامين رضايت مشتري و كاستن تغييرات را در تعريف كيفيت گنجانده است و كرازبي كيفيت را مطابق يك محصول يا خدمت با الزامات (ويژگيها و استـــانداردهاي) از پيش تعيين شده تعريف مي كند.

زنجيره واكنشي بهبود كيفيت
اساسي ترين روندي كه به ابداع و گسترش برنامه هاي كيفيت كمك كرده است دواير كنترل كيفيت (QUALITY CONTROL CIRCLES) بود كه به عنوان روش ساده اي براي بهبود كيفيت توسط ژاپني ها براي زماني دراز به كار گرفته شد و بتدريج كاربرد اين شيوه گسترش يافت و به عنوان يك راه زندگي سازماني در ژاپن جا باز كرده است.
در سالهاي دهه 1980 براساس تجربه هاي به دست آمده و آموخته هاي موسسات آمريكايي از ژاپن، پارادايم نويني كه كمي بعد به نام مديريت كيفيت جامع شهرت يافت شكل گرفت. دكتر ابوالفتح لامعي در سير تحول رسيدن به(TQM) ، چهار مرحله تقريباً مشخص را درنظر گرفته است:

بازرسي: شامل سنجش، ارزيابي و مقايسه نتايج است؛
كنترل كيفيت:روشهاي اجرايي و فعاليتهايي كه به منظـــور دستيابي به الزامات كيفيت انجام مي گيرند؛
تضمين كيفيت: همه فعاليتهاي برنامه ريزي شده و منظم كه در چارچوب نظام كيفيت به اجرا درآمده و اطمينان كافي به وجود مي آورند كه محصول يا خدمت حائز الزامات كيفي است

ارتقاي مستمر كيفيت: يك رويكرد مديريتي

است بر محور كيفيت و مبتني بر مشاركت همه كاركنان، با هدف دستيابي به موفقيت درازمدت ازطريق كسب رضايت مشتريها و تامين منافع همه اعضاء، سازمان و جامعه.
چهارمين و بالاترين سطح يعني ارتقاي مستمر كيفيت (TQM) دربرگيرنده و كاربرد اصول مديريت كيفيت در هر سطحي و هر شاخه اي از سازمان است. يك رويكرد سازمان شمول است كه هر فردي از اعضاي سازمان در آن مشاركت دارد. يك جهت گيري كيفيتي - مديريتي و فلسفي است كه بر سه محور مطالعه فرايندها، ارتقاي مستمر و كسب رضايت مشتريها تاكيد دارد. به طور ساده مديريت كيفيت جامع عبارت است از همكاري هر عضوي از سازمان براي توليد محصول يا ارائه خدمت كه مطابق با نيازها و انتظارات مشتريها باشد

جايزه مالكولم بالدريج: در سال 1987 آمريكا در مقابل جايزه دمينگ جايزه اي را به نام مالكوم بالدريج وزير تجارت فقيد اين كشور در سالهاي 1981 تا 1987 ايجاد و رئيس جمهور آمريكا آن را امضا كرد. اين جايزه براي معرفي شركتهايي كه به بالاترين سطح كيفيت خود و اجراي(TQM) دست يافته اند، طراحي شده است و همه ساله به حداكثر شش شركت تعلق مي گيرد. پايه هاي مديريت جامع كيفيت در اصل از دو دهه 1950 پي ريزي شده است اما از اوايل 1980 نقش موثر خود را به عنوان يك شيوه جديد ايفا كرده است. در شكل گيري و روند تكاملي مديريت جامع كيفيت دانشمندان زيادي نقش داشته اند كه به شرح روش چندتن از مهمترين آنها كه پيش از ديگران در روند تكاملي موثر بوده اند مي پردازيم

ادامه مطلب

عمده بحث كنترل كيفيت مربوط به انجام نمونه گيري از محصولات ، بازرسي آن نمونه ها و تعمميم نتايج به كل انباشت محصول است كه بر اساس روش هاي آماري انجام مي گيرد . از ديگر روش هاي مورد استفاده در كنترل كيفيت ، كنترل فرايند توليد محصول به جاي كنترل محصول تهيه شده است كه با استفاده از روش هاي آماري مانند SPC و ... انجام مي گيرد. مبحث كنترل كيفيت ، جايگاه ويژه اي در مباحث نظام هاي جامع مديريت كيفيت دارد.

بحث کنترل و کیفیت را می توان یکی از مباحث علم آمار نام برد که بدلیل شناخت ناکافی از مهارت فارغ التحصیلان این رشته در این مورد بخصوص در ایران کارایی ان ناشناخته مانده است

اکثریت بدلیل کم اطلایی از علم آمار از کارشناسان آماری در این مورد کمتر استفاده می شود در حالییکه تنها با وجود یک کارشناس وارد به کار می توان محصول را در فرایند مورد نظر به سوی مقدار مطلوب سوق داد

در کل در این مبحث سه گام اساسی وجود دارد یک پس از تعیین هدف به بررسی دادهای که از نمونه گیری تصادفی بدست امده اند می پردازیم

و نمودار ان را که با چند روش گوناگون بدست می اید را می کشیم تا دادهای خارج از کنترل شناسایی و مشکل به وجود امده را شناسایی و حل کنیم

و در نهایت باید که موقعیت به وجود امده مطلوب را حفظ کنیم

این مبحث چند واژه تخصصی دارد که در ان مورد توضیح کافی را خواهم داد .....

ادامه مطلب

ابتدا سعی کنید با نگاه تازه به اشکال پی به مفاهیم ببرید من هم سعی میکنم که در موردش توضیحات لازم را بنویسم

ادامه مطلب

مقایسه بین توزیع t با z

مقایسه توزیع t با نرمال

ادامه مطلب

تابع احتمال

تابع توزیع تجمعی

خم نا نرمال =

نرمال بودن مجانبی

توزیع نرمال دو متغیره

توزیع نرمال تجمعی

توزیع لگ نرمال

زنگوله گوس!

از توزیع ضریب هوشی دانشجویان گرفته تا وزن زرافه ها، همگی آن ها از منحنی زنگوله شکلی پیروی می کنند که نام گاوس را جاودانه کرد: " منحنی گاوسی ".

گرچه این منحنی را اولین بار ریاضیدانی فرانسوی به نام آبراهام دوموآر حدود سال 1733 میلادی کشف کرد، اما گاوس آن را دوباره کشف کردو خواص ریاضی آن را در عمل مورد استفاده قرار داد. این منحنی، نشان دهنده ی این واقعیت است که به عنوان مثال در اندازه گیری ضریب هوشی تعداد زیادی از افراد، میانگینی بدست خواهد آمد که تعداد نسبتا کمی از ضرایب هوشی، بالاتر و یا پایین تر از آن میانگین هستند.

در اصل، هر منحنی را که در وسط آن حد نهایی وجود داشته باشد، می توان برای این منظور مورد استفاده قرار داد. اما گاوس نشان داد که اگر توزیع ناشی از عوامل تصادفی باشد، منحنی دارای شکل ویژه ای خواهد شد. او رابطه ی مربوط به آن را محاسه کرد و به منحنی مشهور زنگوله ای رسید. البته این منحنی با هر توزیعی مطابقت ندارد ( مثلا، اندازه گیری واپاشی عناصر پرتوزا ( رادیواکتیو ) از شکل این منحنی پیروی نمی کند )، اما در مورد بسیاری از پدیده ها می توان آن را به کار برد. منحنی مربوط به این گونه پدیده ها با داشتن دو عدد ترسیم می شود: مقدار میانگین، که نقطه ماکزیمم ( حد نهایی ) منحنی را نشان می دهد، و انحراف استاندارد، که نشان دهنده ی چگونگی گسترده شدن منحنی از طرفین است. با قرار دادن این دو عدد در رابطه ی گاوس، می توان درصد ( مثلا ) افرادی را که قدشان فلان سانتیمتر بیشتر یا کمتر از میانگین است بدست آورد.

تصویر گاوس و منحنی مشهورش روی اسکناس های 10 مارکی آلمان نقش بسته است

به پیشنهاد یکی از دوستان که لطف کرده بود و نظرش را برام نوشته بود تصمیم دارم مطالب آماری را از پایین ترین سطح شروع به نوشتن کنم و ادمه بدهم

ممنونم از توجه شما دوست عزیز

http://www.stat.psu.edu/~jglenn/stat505/05_multnorm/03_multnorm_example.html

انواع توزیع نرمال با میانگین وواریانس متفاوت

Figure 12-4. Comparison Plots of Alpha from Aqueous Analytical Data, Assuming Normal Distribution.

Figure 12-5. Comparison Plots of Beta from Aqueous Analytical Data, Assuming Normal Distribution

این که اینها چه نمودار هایی هستند و چطوری رسم می شوند را بعدا توضیح می دهم صرفا برای دیدن اشکال این نمودار های اماری تعدادی از انها را در این جا قرار دادم

تصمیم دارم که از منابع لاتین استفاده کنم نگران نباشید حتما تا جاییکه بتونم ترجمه می کنم

تابع احتمال

تابع توزیع تجمعی

«رونالد فیشر» پایه گذار آمار

تقریبا هر روز در روزنامه ها و مجلات می خوانیم و یا در کتابهای علمی جملاتی را مشاهده می کنیم. مانند این که سیگار کشيدن موجب سرطان ريه می شود، ورزش کردن در جلوگیری از بیماریهای قلبی موثر است و غیره. دلیل درستی این اظهار نظرها چیست؟ شواهد آماری. برای تولید یک دارو شرکت داروسازی باید داروی خود را روی گروهی از بیماران آزمایش کند و در صورتی که نتایج ازمایشها نشان دهد مزایای دارو از نظر آماری معنی دار است اجازه عرضه آن را می دهند. اگر ذهن درخشان رونالد آیلمر فیشر نبود چنین نتایجی حاصل نمی شد.

این نابغه تند مزاج کسی بود که نشان داد چگونه می توان از میان داده های خام حقایق محکم علمی را استخراج کرد. فیشر یکی از تاثیر گذارترین دانشمندان قرن بیستم بوده است. یافته های جدید بر پایه مفاهیمی استوارند که او ابداع کرده است مانند p یا تحلیل واریانس و... او روشی یافت که از طریق آن می شد با داشتن نتایج سفرهای اکتشافی جانوران جدید و تعداد گونه های جانوری موجود در زمین را که هنوز کشف نشده بود تخمین زد. مانندتعداد پروانه های کشف نشده یا مطرح کردن نظریه کرانه ای که به واسطه آن می توان رویداد های گذشته نظیر سیل ها یا زمین لرزه ها و برآورد احتمال وقوع رویدادها در طی هزاران سال اینده را نشان داد.
وی در سال1890 در لندن به دنیا آمد و در خانواده آنها کسی به مقوله های علمی تمایل نشان نداده بود. وی این مهارتها و علاقه مندی به اعداد را در سنین پائین از خود نشان داد. البته چشمهای فیشر بسیار ضعیف بود و در سن نوجوانی این ضعف فعالیت های وی را محدود می کرد به طوریکه به توسعه پزشکان نمی توانست در نور مصنوعی کار کند پس مجبور شد تا به جای استفاده از کاغذ و قلم تنها از ذهن خود برای تصویر کشیدن مسائل کمک بگیرد. برای این کار روشهای هندسی مخصوصی را ابداع کرد که سایر ریاضیدانان با روشهای عادی از حل مسائل درمانده بودند. در دانشگاه، وی در زمینه ریاضیات و زیست شناسی معلوماتی فراتر از هم سن و سالان خود داشت.
دانشمندان ظهور روشهای آماری را احساس می کردند که برای آزمون نظریات آنها مفید واقع می شود. ولی کاربردی شدن آن مستلزم حجم زیادی داده ها برای بدست آورد نتایج قابل احتمال بود که آنها در اختیار نداشتند. فیشر تصمیم گرفت تا راههایی برای استخراج قابل اعتماد ترین نتایج از میان حجم کم داده ها بیابد. کلید این کار، بیرون کشیدن بیشترین حجم ممکن اطلاعات از میان داده های موجود است. قاعده ریاضی «احتمال حداکثر» و سپس «آماره های کافی»را یافت. محصولات کشاورزی – روش تحلیل واریانس این امکان را فراهم اورد تا با انجام یک ازمایش بتوان همزمان به سئوالهای زیادی پاسخ بدهد در هر آزمایش تنها یک عامل را می توان بررسی کرد و سایر عوامل راثابت نگه داشت.
از کتاب علمی وی می توان روشهای آماری برای پژوهشگران را نام برد. این کتاب موهبتی الهی بود برای تحلیل داده ها و علی رغم انتقادها، روشهای وی به شکل گسترده ای مورد استفاده قرار گرفت و«آزمایش معنی دار بودن» برای کنترل نتیجه بر حسب واقعیت یا شانس بیشتر مورد تایید قرار گرفت. چرا که فیشر «مقدار p » را ابداع کرد که «یک به 20» عنوان شد و در تمام آزمایشها تنها زمانی نتیجه قابل اعتنا بود که مقدار p آن مشخص شده باشد.

مردي كه به علت بينايي بسيار ضعيف نمي توانست به ميدان جنگ برود ، با ماندن در كتابخانه وآزمايشگاه قوانيني را پي ريزي كرد كه دنياي علوم تجربي را معني دار كردند . برخي ازيافته هاي فيشر آنچنان شگفت انگيزند كه بيشتر به سحر و جادو مي مانند تا رياضيات. او روشي را يافت كه از طريق آن مي شد با داشتن نتايج سفرهاي اكتشافي براي يافتن جانوران جديد ، تعداد گونه هاي جانوري موجود در زمين را كه هنوز كشف نشده اند ، تخمين زد . او همچنين يكي از پيشتازان ((نظريه مقدار كرانه اي)) است .با استفاده از اين نظريه ، مي توان نتايج رويدادهاي گذشته - نظير زمين لرزه ها - را براي برآورد احتمال وقوع شديدترين رويداد از اين نوع طي هزار يا حتي ده هزار سال آينده ، به كار گرفت . حتي تصوراينكه چنين پرسش هايي مي توانند پاسخ داشته باشند ، نيازمند خلاقيت و نبوغي سطح بالاست .اما فيشر اين نبوغ را از كجاآورده بود ؟

بدون شك پيشينه خانوادگي او در اين مورد هيچ تأثيري نداشته است . فيشر در سال 1890 ، در فينچلي شرقي در لندن به دنيا آمد . پدر او متصدي حراج اشياء هنري بود و به جز يكي از عمو هايش كه در كمبريج رياضيات خوانده بود، در خانواده آنها كسي به مقوله هاي علمي تمايل نشان نداده بود .اما رونالد نشانه هاي سنتي مهارت هاي رياضي را كه علاقه مندي به اعداد در سنين پايين بود ، نشان داده بود . در مدرسه نيز استعداد او خيلي زود خود را نمايان كرد. اما در كنار آن ، نقصي نيز عيان شد كه ممكن بود پيشروي او در مسير دانش را آهسته كند ، اما برعكس ، در فعاليت هاي حرفه اي او نقشي مؤثر و ارزشمند داشت . چشم هاي فيشر بسيار ضعيف بودند و در سنين نوجواني اين ضعف بينايي به حدي رسيد كه اگر از عينك هاي با عدسي بسيار ضخيم استفاده نمي كرد ، تقريباٌ چيزي نمي ديد . پزشك او نيز به او اخطار كرده بود كه نبايد زير نور مصنوعي كار كند . اين موضوع فيشر را مجبور كرد تا به جاي استفاده از كاغذ و قلم ، تنها از ذهن خود براي به تصوير كشيدن مسائل كمك بگيرد . در اين ميان ، او روش هاي هندسي مخصوصي را ابداع كرد كه به او امكان مي داد مسائلي را حل كند كه ساير رياضي دانان كه از روش هاي معمول استفاده مي كردند ، از حل آن ها درمانده بودند.

با داشتن نتايج سفرهاي اكتشافي براي يافتن جانوران جديد ، تعداد گونه هاي جانوري موجود در زمين را كه هنوز كشف نشده اند ، تخمين زد . او همچنين يكي از پيشتازان ((نظريه مقدار كرانه اي)) است .با استفاده از اين نظريه ، مي توان نتايج رويدادهاي گذشته - نظير زمين لرزه ها - را براي برآورد احتمال وقوع شديدترين رويداد از اين نوع طي هزار يا حتي ده هزار سال آينده ، به كار گرفت . حتي تصوراينكه چنين پرسش هايي مي توانند پاسخ داشته باشند ، نيازمند خلاقيت و نبوغي سطح بالاست .اما فيشر اين نبوغ را از كجاآورده بود ؟

رگرسیون در لغت به معنی بازگشت می باشد و در اصطلاح کاربردی یعنی پی بردن به رفتار یک متغیر به کمک رفتار متغیر دیگر در آمار رگرسیون یعنی یک نوع رابطه یا تابع ریاضی که بین متغیر وابسته از یک سو y و متغیرهای مستقل از سوی دیگر برقرار می باشد . دریافت روابط علت و معلولی بین عوامل تاثیرگذار (x) و تاثیرپذیر (y) ، حصول اطمینان از وجود همبستگی معنی دار بین دو متغیر و همچنین هدف گذاری برای برآورد یک متغیر بر حسب متغیر دیگر است . تحلیل رگرسیونی یک ابزار آماری مفید برای دیدن رابطه ی بین متغیرها به کار می رود .

تحلیل رگرسیون فن و تکنیکی آماری برای بررسی و به مدل در آوردن ارتباط بین متغیرهاست . کاربردهای رگرسیون متعدد است . و تقریباً در هر زمینه ای از جمله مهندسی ، فیزیک ، اقتصاد ، مدیریت ، علوم زیستی و بیولوژی و علوم اجتماعی صورت می پذیرد . در حقیقت تحلیل رگرسیونی ممکن است فن و تکنیک آماری با بیشترین و وسیع ترین کاربرد بین تکنیک های آماری باشد .

کاربردهای رگرسیون : مدل های رگرسیونی برای مقاصدی چند مشتمل بر موارد زیر مورد استفاده قرار می گیرند . 1- توصیف داده ها

2- برآورد پارامترها

3- پیشگویی و برآورد

4- کنترل

منبع : http://sepideh_statistic.persianblog.ir/

دو بخش اصلی رگرسیون در آمار وجود دارد : پارامتری و ناپارامتری.

در رگرسیون پارامتری نوع ارتباط بین متغیر های وابسته و مستقل شناخته شده است، اما ممکن است پارامترها مقادیری را شامل شوند که ناشناخته بوده و صلاحیت برآورد مجموعهء داده ها را نداشته باشند. برای مثال یک خط راست برازش داده شده،

f(x)=ax+b

بر حسب یک دسته از نقاط،

{( xi , ŷi )} : i=1,…,p

رگرسیون پارامتری می باشد چرا که نوع ارتباط وابستگی y را روی x نشان می دهد هر چند تمام مقادیر a و b نیستند.

نوعاً در هر مسئله پارامتری معین، پارامترهای آزاد بهتر از متغیر های وابسته و مستقل دارای تفسیر معنادار هستند، مانند " سطح میزان آب اولیه" یا " میزان سرعت حرکت آب".

علائم ویژه رگرسیون ناپارامتری زمانی مشاهده می شود که آگاهی قبلی در مورد نوع واقعی تابعی که قرار برآورد شود وجود ندارد.تابع مورد استفاده مدلی است با معادله ای که در بردارندهء پارامترهای آزاد می باشد، اما روشی که کلاس پهناوری از توابعی که نمایانگر مدل می باشند را می پذیرند.

در رگرسیون پارامتری نوعاً یک تعداد کم از پارامترها، که اغلب آنها تفسیر فیزیکی( طبیعی) دارند، وجود دارد. به عبارت دیگر هدف اصلی رگرسیون می تواند، و اغلب هم هست، برآورد مقادیر پارامتری باشد چرا که مفهوم اصلی آنها می باشد.

مقدمات رگرسیون ناپارامتری :

تحلیل رگرسیون ناپارامتری، رگرسون بدون فرض خطی می باشد . هدف رگرسو ن ناپارامتری پهنه وسیعی از هموار سازی می باشد که ارتباط بین دو متغیر در نمودار پرا کنش، تحلیل رگر سیون چند گانه و مدلهای رگرسیونی کلی را دربردارد. ( برای مثال رگرسیون لجستیک ناپاراتی برای یک متغیر پاسخ دو تایی )

تا چند سال پیش روشهایی از تجزیه و تحلیل رگرسیون ناپاراتی که به طور کاربردی به وسیله پیشرفت در آمار و علم حساب به عمل حساب آمده باشد، دور از ذهن به نظر می رسد و هم اکنون یک شق مهمتر از مدلسازی سنت گرای رگرسیون پارامتری می باشد. این حرکت کوتاه پهنه از مقدمه رگرسیون ناپاراتی راکه عناوین ارائه شده راپوشش می دهد تامین می کند.

معرفی رگرسیون ناپارامتری :

معدل گیری موضعی برآورگرها ی کرنل رگرسیون ناپارامتری نیرومند،رگرسیون و هموار سازی دسته های باریک، استناج آماری برای رگرسیون ناپارامتری در تجزیه و تحلیل داده ها ، رگرسیون چند متغیر ناپارامتری به انضمام مدلهای رگرسیون افزایشی ، رگرسیون ناپارامتری تعمیم یافته و مدلهای تعمیم یافته افزایشی.

رگرسیون ناپارامتری معمولاً در فرضیات خطی آزاد می باشد و شما را به

شرح داده های بصری ، ساختار غیرپوششی در داده ها که ممکن است

به نحوی گمشده باشد ، قادر می سازد. بنابراین خیلی از روشهای

رگرسیون ناپارامتری هنگامی که تعداد متغیر های مستقل در مدل زیاد

می باشد به خوبی اجرا نمی شوند.پراکندگی داده ها در این مجموعه

سبب می شود بر آوردهای واریانس به اندازه غیر قابل پذیرش بزرگ شود،

مگر آنکه حجم نمونه فوق العاده بزرگ باشد. قابلیت تفسیر یکی دیگر از

مسایل رگرسیون ناپارامتری است که بر پایه کرنل و هموارسازی برآورد

گرهای خط sp می باشد. اطلاعات این برآورد گرها شامل رابطه بین متغیرهای مستقل و وابسته می باشد که اغلب درک آنها دشوار است.

برای بر طرف کردن این مشکلات،استون(1985)مدلهای جمع پذیر را پیشنهاد کرد.این مدلها یک تقریب فزآینده ی تابع رگرسیون چند متغیره را

برآورد می کنند. مزایای یک تقریب فز آینده حداقل دو مورد است.اول اینکه هر کدام از اصطلاحات جمع پذیر با استفاده از یک صافی یک متغیری منحصر فرد تخمین زده می شوند. دوم اینکه ظوابط منحصر به فرد توضیح می دهند که چگونه متغیر وابسته با وجود متغیرهای مستقل برآورد می شود.

توسعه مدل جمع پذیر به سوی یک میدان وسیع از خانواده های توزیع؛ هاستی و تیب شیرانی (1990) مدلهای جمع پذیر تعمیم یافته را پیشنهاد دادند. این مدلها قادرند میانگین متغیر وابسته را به یک دستگاه جمع پذیر از طریق یک تابع خطی ربط دهند. این مدل اجازه می دهد توزیع احتمال متغیر پاسخ هر عضو، از طریق خانوادهء نمائی باشد.

در خیلی مواردمدلهای آماری در یک دستهء خاص مورد استفاده قرار می گیرند؛ آنها مدلهای جمع پذیر برای داده های نرمال، مدلهای لجستیک ناپارامتری برای داده های دوجمله ای و مدلهای لگ خطی ناپارامتری برای داده ها ی پواسن را در بر دارند.

تحلیل رگرسیون ناپارامتری:

رگرسیون ناپارامتری فرضیات کمینه در مورد وابستگی میانگین Y بر روی X ها را درست می کند. این جریان کوتاه برآوردگرهای رگرسیون ناپارامتری را به دو صورت برای تحلیل رگرسیون ساده(یک X تنها) - - موسوم به نمدار پراگندگی هموارساز- - و تحلیل رگرسیون چند متغیره(چندین X) معرفی می کند.

ما به طور طبیعی این برآوردگرها را، برآوردگر کرنل( میانگین وزن دار شده)، برآوردگرهای چندجمله ای(lowess) و مدلهای جمع پذیر رگرسیون ناپارامتری، توضیح می دهیم. چند ملاحظه نیز برای روشهای استنتاج آماری برای رگرسیون ناپارامتری وجود دارد، که شبیه بکار گرفته شده برای حداقل مربعات خطی می باشد.

http://espadana.mihanblog.com/Post-35.aspx

با لاخره فرصتی دست داد تا سری به نمایشگاه کتاب بزنم با مشکلات زیاد برای پیدا کردن جای ژارک ماشین و.....

وارد نمایشگاه که در مصلا تهران برگزار میشه شدم سردرگمی و ردیف نبودن کتابهای لااقل علوم پایه به خصوص رشته آمار که همه چیز در این رشته دچار کاستی است برای پیدا کردن کتابهایی که می خواستم در سالن کتابهای دانشگاهی اونقدر گشتم که داشتم می مردم با لاخره پیدا شون کردم

به هر مصیبتی که بود قیمت کتابها هم انقدر که فکر می کنید کم نیست اما بعضی چیزها ارزش خریدن دارند

من هم کتابها را گلچین کردم

کتاب ریاضیات رابرت آدامز

و شلدون راس به همراه حل مسائل

یک کتاب تست برای ارشد

آموزش نرم افزار spss۱۴ با s_plus

و....

شما هم بگردید کتابهای خوبتری پیدا خوهید کرد

حیف که مونت گمری نخریدم و واژه نامه آمار که اصلا پیداش نکردم

این هم از رشته ما

تابع احتمال

تابع توزیع تجمعی

ادامه مطلب

تابع احتمال

محور افقی ورودی های تابع هستند

توجه کنید :که نمودار فقط در نقاط پررنگ معنا دارد و وصل کردن نقاط به معنای پیوستگی نیست

تابع توزیع تجمعی

ادامه مطلب

خط سبز : تزیع نرمال استاندارد

تابع احتمال

تابع توزیع تجمعی

ادامه مطلب

تابع احتمال

تابع توزیع تجمعی

ادامه مطلب

آزمون t

در نمونه های مستقل ، آزمون t از تقسیم تفاوت بین میانگین های نمونه بر برآوردی از انحراف معیار توزیع اختلافها ( که به عنوان خطای معیار اختلاف یاstandard error of difference شناخته می شود)به دست می آید.اگر واریانسهای نمونه دارای مقادیر مشابهی باشد ، معمولاً با برآورد ترکیبی (pooled estimate) واریانس ثابت جامعه کار می شود. اما اگر واریانس ها برابر نباشند از برآورد ترکیبی استفاده نمی شود و یک آزمون با واریانس جداگانه (separate variance) انجام می شود . اگر مقدار t در هر یک از دمهای توزیع نمونه گیری قرار بگیرد ، فرضیه صفر رد می شود.مقدار دقیق t که جهت معنی دار شدن لازم است به درجه آزادی(degrees of freedom) توزیع بستگی دارد که خود آن به حجم نمونه در مطالعه وابسته است. اما معمولاً اگر قدر مطلق tبرابر یا بزرگتر از 2 باشد، معنی دار است،مگر اینکه حجم نمونه خیلی کوچک باشد.در هر حال باید از نمونه های خیلی کوچک پرهیز نمود ، زیرا آزمون مورد نظر توان لازم جهت رد کردنH0 را نخواهد داشت.(توان یا power یک آزمون آماری احتمال رد کردن H0 است به شرطی که صحیح نباشد.)مدل آزمون t این فرض را می کند که داده ها از توزیع های نرمال با واریانس برابر به دست آمده اند.شبیه سازی های رایانه ای نشان داده است که حتی اگر این فرضها تا حدودی مخدوش شده باشند کماکان می توان با اطمینان از آزمون t استفاده نمود،یه شرط آنکه حجم نمونه خیلی کم نباشد و دارای مقادیر پرت نبوده وحجم نمونه خیلی کم نباشدو دارای مقادیر پرت نبوده وحجم نمونه ها با هم برابر باشد(یاتقریباً برابر باشد) اگر بررسی اولیه داده ها بیانگر آن باشد که فرضهای مدل آزمون t به شدت مختل است .می توان از آزمونهای جایگزین استفاده نمود که از نوع آزمونهای ناپارامتری است و در منوی Nonparametric Tests از Analyze وجود دارد.آزمونهای ناپارامتری در باره توزیعهای جامعه و واریانس آن فرض خاصی نمی کنند.رویکرد دیگر (که به همان میزان موجب افت توان نمی شود) خارج کردن مقادیر پرت و به کار بردن آزمون t با مجموعه داده های جدید است.

ادامه مطلب

همراه با شکل به زبان انگلیسی

ادامه مطلب

در نوار ابزار spss ده عنوان منو وجود دارد.

بعضی از گزینه های منوی Data را در مطالب قبلی ذکر کرده ام (شاملSplit File .Select Cases. Weight Cases). منوهایی که در اینجا مطرح می کنم عبارتند از Analyze ,Graphs. البته فعلا در این جا فقط Analyze را توضیح میدم و مطلب بعدی را در رابطه با Graphs خواهم گفت.

در رابطه با بررسی داده ها ، بشترین دستورات مرتبط در منوهای Analyzeو Graphs وجود دارند . در spss گزینه های متعددی برای بررسی داده ها وجود دارد . برای مثال بسیاری از گزینه های منوی Analyze دارای نمودارها و چارت هایی نیز هستند که با استفاده از منوی Graphs نیز در دسترس می باشندو همچنین راههای گوناگونی برای بدست آوردن آماره های توصیفی وجود دارد که بعضی از آنها را می توان بر اساس طبقه های متغیرهای گروهبندی (مانند جنس) به زیر گروههایی تقسیم کرد.

درون منوی Analyze گزینه هایی مثل Reports , Descriptive Statistics, Tables, Compare Means وجود دارد . هنگامی که گزینه هایReports یا Descriptive Statistics انتخاب می شوندو زیرمنوهایی ظاهر می شوند .

زیر منوی Reports امکاناتی برای محاسبه آماره های توصیفی گوناگون برای متغیر های کمی در اختیار می گذارد که بر اساس طبقات متغیرهای گروهبندی تقسیم شده اند. گزینه OLAP Cubes خروجیهایی از آماره های خاصی ایجاد می کند که در آن متغیر های کمی انتخاب شده ای در تمام متغیر های گروهبندی مشخص شده ای جمع زده شده است و کاربر می تواند در درون خروجی هر یک از طبقات (یا ترکیبی از طبقات در صورتی بیشتر از یک متغیر گروهبندی وجود داشته باشد ) را انتخاب نماید و با این کار آماره های درون جدول مورد نظر را تغییر دهد. گزینهCase Summaries لیستی از مقادیر متغیرهای کمی انتخاب شده برای هر یک موردها را ارائه می دهد و در انتها لیستی از آماره های توصیفی برای هر یک از ترکیبهای طبقات متغیرهای گروهبندی ارائه می شود. خروجی Report Summaries in Rows یا گزینه Report Summaries in Columnsبه صورت جدول در نمی آید و به همین دلیل استفاده از آنها توصیه نمی شود.

زیرمنوی Descriptive Statistics شامل گزینه های Frequencies , Descriptives , Explore ,Crosstabs ,Ratio است . استفاده از تمامی این گزینه ها بسیار توصیه می شود و تمامی آنها را در قسمتهای بعدی بنا به مورد کاربرد توضیح خواهد داد.

زیر منوی Tables نیز دارای دستوراتی است که استفاده از آنها بسیار مفید است ، زیرا خروجی آنها به صورت جداول خوبی ارائه می شود که می توان آنها را مستقیماً به درون گزارشها کپی کرد . خصوصاً گزینه های Basic Tables و Tables of Frequencies بسیار مفید هستندکه سعی میکنم در مطالب بعدی با مثال براتون شرح بدم.

زیر منوی Compare Means هم که شامل 5 گزینه است که برای مقایسه میانگینها و دست آوردن جدول تحلیل و تجزیه واریانس (ANOVA) و بدست آوردن t ی استودنت برای تک نمونه ها و نمونه های جفت بکار برده می شود. البته این زیر منو تنها دارای یک گزینه برای بررسی داده هاست (یعنی گزینه Mean) .نام این دستور گمراه کننده است زیرا تنها برای لیست کردن میانگین متغیرها در طبقات یک گروهبندی کاربرد دارد و برای بدست آوردن میانگین های طبقه بندی نشده ،باید از یکی از دستورات Reports یا Tables یا گزینه Descriptives در منویDescriptive Statistics استفاده نمود.

چند عمل خاص در spss

ادامه مطلب

کادرهای مکالمه برای مشخص کردن نمودارها و گراف ها را می توان از طریق منوی Graphs یا به عنوان گزینه هایی در درون روندهای گوناگونی بدست آورد . برای مثال دستور Frequencies دارای گزینه ای به نام Charts می باشد .

صرف چند لحظه وقت برای بررسی نامها و برچسبهای متغیری که قرار است بر روی نمودارها و گرافها ظاهر شود ، ارزشش را دارد .در مواردی ممکن است شما بخواهید قبل از رسم آنها بعضی از اسامی را در فایل داده ها تغییر بدهید .اگر بعضی از داده ها در فایل داده ها مفقود است ، به خاطر داشته باشید که ورود داده های مفقود یا عدم ورود آنها را در نمودار مورد نظر مشخص کنید (به عنوان مثال در یک نمودار میله ای). داده های مفقود را می توانید با غیر فعال کردن گزینه Display groups defined by missing values درون کادر مکالمه Options کنار بگذارید.

در صورتی که پیش بینی نمی کنید که ویرایش زیادی صورت بگیرد، در صورت تمایل سریعتر این است که در ابتدای کار عنوانی را اضافه نمایید (هرچند در نمودارهای مستطیلی تنها در مرحله ویرایش می توان عنوان اضافه کرد). برای این کار بر روی دکمه Titlesکلیک کرده و عنوان مناسب را تایپ نمایید.

باید یک نکته را تذکر دهم که لازم نیست تمام چهارگوش های درون یک کادر مکالمه را تکمیل نمود .برای مثال می توان چهارگوش Label Cases by را(در صورتی که چنین گزینه ای لازم نباشد)خالی گذاشت.(در مجموعه داده های بزرگ، استفاده از Label Cases by می تواند خروجی را با تعداد بیش از حد برچسبها ، شلوغ و به هم ریخته کند.)اینکه آیا اطلاعات کافی درون یک کادر مکالمه مشخص شده است را می توان با توجه به دکمهOK و اینکه آیا عمل می کند یا خیر ،متوجه شد .اگر این دکمه هنوز غیر فعال باشد به مفهوم آن است که اطلاعات بیشتری باید قبل از اجرای دستور وارد شود.

مشاهده گراف ها و نمودارها بر روی صفحه نمایش

ادامه مطلب

تحقیقی در حد دوم دبیرستان خواسته بودی منهم فکر کردم که یکی از تمرین های کتاب "مفاهیم و روشهای آماری " تالیف " گوری کی . باتا چاریا " رو برات توی این پست بگذارم امیدوارم به کارت بیاد !!؟

موضوع اینکه : یه گروه تحقیق پزشکی میزان کلسترول خون 43 نفر را ثبت کرده اند و داده های زیر بدست امده است

239 212 249 227 218 310 281 330 226 233

223 161 195 233 249 284 245 174 154 256

196 299 210 301 199 258 205 195 227 244

355 234 195 179 357 282 265 286 286 176

195 163 297

ادامه مطلب